最近在研究"一致性HASH算法"（Consistent Hashing），用于解決memcached集群中當(dāng)服務(wù)器出現(xiàn)增減變動時對散列值的影響。后來 在JAVAEYE上的一篇文章中，找到了其中的 KetamaHash 算法的JAVA實(shí)現(xiàn)（一種基于虛擬結(jié)點(diǎn)的HASH算法），于是為了加深理解，對照 JAVA版本，用C#重寫了一個。放到這里，如果大家感興趣的話， 可以下載測試一下，如果發(fā)現(xiàn)寫法有問題請及時告之我，以便我及時修正。

????? 下面是對Ketama的介紹：


Ketama is an implementation of a consistent hashing algorithm, meaning you can add or remove servers from the memcached pool without causing a complete remap of all keys.
Here’s how it works:
* Take your list of servers (eg: 1.2.3.4:11211, 5.6.7.8:11211, 9.8.7.6:11211)
* Hash each server string to several (100-200) unsigned ints
* Conceptually, these numbers are placed on a circle called the continuum. (imagine a clock face that goes from 0 to 2^32)
* Each number links to the server it was hashed from, so servers appear at several points on the continuum, by each of the numbers they hashed to.
* To map a key->server, hash your key to a single unsigned int, and find the next biggest number on the continuum. The server linked to that number is the correct server for that key.
* If you hash your key to a value near 2^32 and there are no points on the continuum greater than your hash, return the first server in the continuum.
If you then add or remove a server from the list, only a small proportion of keys end up mapping to different servers.
????
????? 我的理解，這類方法其實(shí)有點(diǎn)像大學(xué)里的微積分的思想（通過連續(xù)函數(shù)的取值區(qū)間來計算圖形面積）。通過把已知的實(shí)結(jié)點(diǎn)（memcached服務(wù)IP端口）列表結(jié)成一個圓，然后在兩兩實(shí)結(jié)點(diǎn)之間“放置”盡可能多的虛擬節(jié)點(diǎn)(上面文中的unsigned ints)， 假設(shè)用戶數(shù)據(jù)映射在虛擬節(jié)點(diǎn)上（用戶數(shù)據(jù)真正存儲位置是在該虛擬節(jié)點(diǎn)代表的實(shí)際物理服務(wù)器上），這樣就能抑制分布不均勻，最大限度地減小服務(wù)器增減時的緩存重新分布。如下圖：

???

????????

???? 下面是添加結(jié)點(diǎn)時：
???
????????
????????
???

????? 如這篇文章所說（總結(jié)一致性哈希(Consistent Hashing) ）：
???
????? Consistent Hashing最大限度地抑制了hash鍵的重新分布。另外要取得比較好的負(fù)載均衡的效果，往往在服務(wù)器數(shù)量比較少的時候需要增加虛擬節(jié)點(diǎn)來保證服務(wù)器能均勻的分布在圓環(huán)上。因?yàn)槭褂靡话愕膆ash方法，服務(wù)器的映射地點(diǎn)的分布非常不均勻。使用虛擬節(jié)點(diǎn)的思想，為每個物理節(jié)點(diǎn)（服務(wù)器）在圓上分配100～200個點(diǎn)。這樣就能抑制分布不均勻，最大限度地減小服務(wù)器增減時的緩存重新分布。用戶數(shù)據(jù)映射在虛擬節(jié)點(diǎn)上，就表示用戶數(shù)據(jù)真正存儲位置是在該虛擬節(jié)點(diǎn)代表的實(shí)際物理服務(wù)器上。

?????? 了解了原理，下面看一下具體實(shí)現(xiàn)。

?????? JAVA實(shí)現(xiàn)代碼取自Spy Memcached client中的類，原文的作者也盡可能的對代碼進(jìn)行注釋說明，所以讓我剩了不少時間。
???
?????? 下面是相應(yīng)的.NET實(shí)現(xiàn)（注釋參考JAVA版本）:???


public class KetamaNodeLocator
{
??? //原文中的JAVA類TreeMap實(shí)現(xiàn)了Comparator方法，這里我圖省事，直接用了net下的SortedList，其中Comparer接口方法）
??? private SortedList<long, string> ketamaNodes = new SortedList<long, string>();
??? private HashAlgorithm hashAlg;
??? private int numReps = 160;

??? //此處參數(shù)與JAVA版中有區(qū)別，因?yàn)槭褂玫撵o態(tài)方法，所以不再傳遞HashAlgorithm alg參數(shù)
??? public KetamaNodeLocator(List<string> nodes, int nodeCopies)
??? {
??????? ketamaNodes = new SortedList<long, string>();

??????? numReps = nodeCopies;
??????? //對所有節(jié)點(diǎn)，生成nCopies個虛擬結(jié)點(diǎn)
??????? foreach (string node in nodes)
??????? {
??????????? //每四個虛擬結(jié)點(diǎn)為一組
??????????? for (int i = 0; i < numReps / 4; i++)
??????????? {
??????????????? //getKeyForNode方法為這組虛擬結(jié)點(diǎn)得到惟一名稱
??????????????? byte[] digest = HashAlgorithm.computeMd5(node + i);
??????????????? /** Md5是一個16字節(jié)長度的數(shù)組，將16字節(jié)的數(shù)組每四個字節(jié)一組，分別對應(yīng)一個虛擬結(jié)點(diǎn)，這就是為什么上面把虛擬結(jié)點(diǎn)四個劃分一組的原因*/?
??????????????? for (int h = 0; h < 4; h++)
??????????????? {
??????????????????? long m = HashAlgorithm.hash(digest, h);
??????????????????? ketamaNodes[m] = node;
??????????????? }
??????????? }
??????? }
??? }

??? public string GetPrimary(string k)
??? {
??????? byte[] digest = HashAlgorithm.computeMd5(k);
??????? string rv = GetNodeForKey(HashAlgorithm.hash(digest, 0));
??????? return rv;
??? }

??? string GetNodeForKey(long hash)
??? {
??????? string rv;
??????? long key = hash;
??????? //如果找到這個節(jié)點(diǎn)，直接取節(jié)點(diǎn)，返回??
??????? if (!ketamaNodes.ContainsKey(key))
??????? {
??????????? //得到大于當(dāng)前key的那個子Map，然后從中取出第一個key，就是大于且離它最近的那個key 說明詳見: http://www.iteye.com/topic/684087
??????????? var tailMap = from coll in ketamaNodes
????????????????????????? where coll.Key > hash
????????????????????????? select new { coll.Key };
??????????? if (tailMap == null || tailMap.Count() == 0)
??????????????? key = ketamaNodes.FirstOrDefault().Key;
??????????? else
??????????????? key = tailMap.FirstOrDefault().Key;
??????? }
??????? rv = ketamaNodes[key];
??????? return rv;
??? }
}
???
???
????? 下面的代碼與JAVA中有所不同，它使用靜態(tài)方法實(shí)現(xiàn)：???


public class HashAlgorithm
{
??? public static long hash(byte[] digest, int nTime)
??? {
??????? long rv = ((long)(digest[3 + nTime * 4] & 0xFF) << 24)
??????????????? | ((long)(digest[2 + nTime * 4] & 0xFF) << 16)
??????????????? | ((long)(digest[1 + nTime * 4] & 0xFF) <<
??????????????? | ((long)digest[0 + nTime * 4] & 0xFF);

??????? return rv & 0xffffffffL; /* Truncate to 32-bits */
??? }

??? /**
???? * Get the md5 of the given key.
???? */
??? public static byte[] computeMd5(string k)
??? {
??????? MD5 md5 = new MD5CryptoServiceProvider();
??????
??????? byte[] keyBytes = md5.ComputeHash(Encoding.UTF8.GetBytes(k));
??????? md5.Clear();
??????? //md5.update(keyBytes);
??????? //return md5.digest();
??????? return keyBytes;
??? }
}
???
???
?????? 下面是.net版本下的測試結(jié)果
???
?????? 分布平均性測試:測試隨機(jī)生成的眾多key是否會平均分布到各個結(jié)點(diǎn)上測試結(jié)果如下:????
???
????????
???
????? 最上面一行是參數(shù)說明，節(jié)點(diǎn)數(shù)目，總共有多少key，每個節(jié)點(diǎn)應(yīng)該分配key的比例是多少。下面是每個結(jié)點(diǎn)分配到key的數(shù)目和比例。 多次測試后發(fā)現(xiàn)，這個Hash算法的節(jié)點(diǎn)分布都在標(biāo)準(zhǔn)比例左右徘徊。


????? 節(jié)點(diǎn)增刪測試:在環(huán)上插入N個結(jié)點(diǎn)，每個節(jié)點(diǎn)nCopies個虛擬結(jié)點(diǎn)。隨機(jī)生成眾多key，在增刪節(jié)點(diǎn)時，測試同一個key選擇相同節(jié)點(diǎn)的概率，測試如果如下:


???????????

????? 上面三行分別是正常情況，節(jié)點(diǎn)增加，節(jié)點(diǎn)刪除情況下的節(jié)點(diǎn)數(shù)目。下面兩行表示在節(jié)點(diǎn)增加和刪除情況下，同一個key分配在相同節(jié)點(diǎn)上的比例(命中率)。

????? 后來我修改了幾次增刪結(jié)點(diǎn)的數(shù)量，基本驗(yàn)證了JAVA那位仁兄所說的那樣：????
????? 多次測試后發(fā)現(xiàn)，命中率與結(jié)點(diǎn)數(shù)目和增減的節(jié)點(diǎn)數(shù)量有關(guān)。同樣增刪結(jié)點(diǎn)數(shù)目情況下，結(jié)點(diǎn)多時命中率高。同樣節(jié)點(diǎn)數(shù)目，增刪結(jié)點(diǎn)越少，命中率越高。這些都與實(shí)際情況相符。


???? 這里還有一些鏈接，都是介紹和討論Consistent Hashing的，有興趣的朋友可以看一下，呵呵：)
???
???? 總結(jié)一致性哈希(Consistent Hashing)
???
???? Ketama一致性Hash算法學(xué)習(xí)(含Java代碼)?????

一致性Hash算法(KetamaHash)的c#實(shí)現(xiàn)